Le collaborazioni con sei organizzazioni coinvolgono progettazione molecolare, documentazione produttiva e pianificazione clinica. I primi risultati riguardano esperimenti di laboratorio e processi di lavoro.
Anthropic sta portando Claude dentro programmi concreti di sviluppo farmaceutico, attraverso collaborazioni di ricerca con sei organizzazioni del settore delle scienze della vita. Nell’aggiornamento pubblicato il 27 ottobre 2026, l’azienda descrive applicazioni che vanno dalla progettazione di componenti per terapie cellulari alla revisione dei documenti di produzione, fino all’analisi dei piani di sperimentazione clinica. L’obiettivo è individuare dove l’intelligenza artificiale possa rendere più efficiente il lavoro scientifico.
Il quadro comprende attività molto diverse per natura e maturità. Alcune producono candidati molecolari da verificare in laboratorio; altre aiutano a controllare documenti o a confrontare opzioni di sviluppo. I risultati presentati da Anthropic e dai suoi partner sono preliminari: descrivono progressi sperimentali e miglioramenti operativi, con un percorso ancora da compiere prima di poter parlare di benefici clinici dimostrati.
Uno dei casi più immediatamente comprensibili riguarda Enveda e la documentazione di produzione farmaceutica. In questo ambito, controllare testi e individuare incongruenze può assorbire una quota consistente del lavoro specialistico. Per alcuni chimici coinvolti nel caso descritto, queste attività arrivavano a occupare fino al 75% del tempo lavorativo. È un esempio di quanto lo sviluppo di un farmaco dipenda anche dalla gestione delle informazioni.
In una valutazione su 1.061 pagine, Anthropic riferisce che Claude ha individuato tutti gli 11 problemi già rilevati dai revisori umani, insieme ad altri sette. Il tempo dedicato alla verifica manuale è diminuito dell’89%, passando da oltre 25 ore a meno di tre. Il dato riguarda quella specifica prova: offre una misura del beneficio ottenuto nel processo esaminato, senza costituire una prestazione garantita per qualsiasi documento farmaceutico.
La ricaduta pratica è significativa perché interviene su un’attività ripetitiva, costosa in termini di attenzione e legata a competenze qualificate. Un controllo preliminare automatizzato può concentrare il lavoro dei professionisti sulle anomalie da approfondire. Per valutare un impiego simile, contano sia il tempo risparmiato sia la qualità delle segnalazioni, insieme alla possibilità di ricostruire come si è arrivati a una determinata osservazione.
Un secondo filone riguarda la progettazione biologica. Sei scienziati di Generate Biomedicines hanno utilizzato Claude Code per riprogettare un componente di una terapia CAR-T. Questi trattamenti impiegano cellule immunitarie modificate per riconoscere bersagli tumorali e sono tradizionalmente utilizzati contro alcuni tumori del sangue. Il progetto cercava di liberare spazio per ulteriori istruzioni genetiche, utili a esplorare applicazioni contro i tumori solidi.
Secondo i risultati riportati da Anthropic, il componente riprogettato era circa il 70% più corto. Negli esperimenti di laboratorio, le cellule modificate hanno prodotto una quantità di recettori circa dieci volte maggiore. Sono state inoltre descritte una migliore capacità di distruggere cellule tumorali e un’attività più duratura. Queste osservazioni riguardano il comportamento delle cellule nelle prove effettuate; l’efficacia di un trattamento nei pazienti richiede verifiche specifiche.
Il caso chiarisce anche il ruolo assunto da uno strumento come Claude Code, nato per assistere nella programmazione. Qui viene impiegato all’interno di un problema scientifico, nel quale elaborazione informatica e progettazione biologica si incontrano. Il valore dell’assistenza dipende dalla possibilità di tradurre le proposte in esperimenti misurabili: la verifica in laboratorio permette di distinguere le soluzioni promettenti da quelle che restano ipotesi.
La collaborazione con Divergence Labs affronta invece lo sviluppo di anticorpi per un possibile trattamento delle allergie alimentari. Il lavoro coinvolge le immunoglobuline E, o IgE, molecole del sistema immunitario legate alle reazioni allergiche. In un mese, il sistema ha generato circa 35.000 progetti molecolari destinati a esplorare le due funzioni richieste dal trattamento proposto: legare le IgE e favorirne il distacco dalle cellule immunitarie.
I primi esperimenti hanno individuato tre progetti capaci di legarsi alle IgE e altri 20 capaci di staccarle dalle cellule. Il confronto fra decine di migliaia di proposte e il numero più contenuto di risultati sperimentali aiuta a leggere correttamente questa applicazione dell’AI. La generazione amplia lo spazio delle possibilità da esplorare; la selezione dipende dalle proprietà effettivamente osservate nelle prove.
BigHat Biosciences ha collegato Claude ad apparecchiature di laboratorio automatizzate per migliorare due frammenti di anticorpi considerati per futuri medicinali. In dieci settimane, i ricercatori hanno prodotto e testato circa 1.010 varianti, valutando forza di legame, stabilità e tendenza all’aggregazione. Quest’ultima indica quanto le molecole tendano a raggrupparsi, una proprietà rilevante nella valutazione delle loro caratteristiche.
Tra i risultati comunicati, la migliore variante diretta contro un bersaglio tumorale mostrava un legame oltre dieci volte più forte rispetto alla versione iniziale e conservava stabilità a una temperatura superiore di 18 °C. Anche in questo caso si tratta di proprietà misurate su candidati sperimentali. Un miglioramento di queste caratteristiche può orientare le fasi successive della ricerca, mentre la valutazione complessiva di un medicinale richiede ulteriori passaggi.
Considerati insieme, i casi di Divergence e BigHat mostrano due esigenze complementari: proporre molte alternative e sottoporle a controlli capaci di restringere la scelta. L’integrazione con il laboratorio diventa quindi decisiva. Un sistema generativo acquista utilità scientifica quando le sue proposte entrano in un ciclo di misurazione e revisione, con criteri espliciti per decidere quali candidati meritino altro lavoro.
Più vicino alla pianificazione clinica è il progetto con Bristol Myers Squibb. Claude viene utilizzato per analizzare piani di studio e stimarne le probabilità di successo. Michael Pourdehnad, responsabile dello sviluppo clinico iniziale dell’azienda farmaceutica, ha descritto un’analisi iniziale ottenuta da una singola richiesta, utile a esaminare opzioni che avrebbero altrimenti richiesto diversi giorni di lavoro.
Questa testimonianza riguarda la rapidità con cui è stato possibile avviare una valutazione. La capacità di formulare un’analisi strutturata e l’accuratezza nel prevedere l’esito di uno studio sono aspetti distinti. Per leggere il risultato serve quindi mantenere separati il supporto alla decisione e la verifica clinica: il primo aiuta a organizzare informazioni e alternative, la seconda stabilisce come un trattamento si comporta nelle condizioni della sperimentazione.
Anthropic indica l’intenzione di estendere la collaborazione con Bristol Myers Squibb nel 2027. Più in generale, il coinvolgimento diretto nei programmi farmaceutici serve all’azienda anche per individuare limiti dei propri modelli e opportunità di miglioramento. Lavorare su attività reali consente di osservare dove l’assistenza funziona, quali passaggi richiedono maggiore precisione e come collegare il modello agli strumenti già utilizzati dai ricercatori.
Per chi segue l’evoluzione dell’AI nel lavoro professionale, il collegamento più utile riguarda l’organizzazione dei processi. La revisione di documenti estesi, il confronto fra alternative e la preparazione di analisi iniziali ricorrono anche fuori dal settore farmaceutico. Le percentuali ottenute in questi progetti restano legate ai rispettivi contesti; il metodo di valutazione offre invece una lezione più generale: definire un compito preciso, misurare il risultato e verificare il lavoro prodotto.
Le collaborazioni descritte mostrano così più percorsi di adozione di Claude, ciascuno con obiettivi e criteri di riuscita differenti. Nella documentazione conta ridurre il tempo di controllo mantenendo qualità; nella progettazione molecolare conta ottenere candidati con proprietà verificabili; nella pianificazione clinica conta rendere più solida e rapida l’analisi delle opzioni. La prospettiva concreta è un’assistenza distribuita lungo lo sviluppo farmaceutico, il cui valore si costruisce attraverso risultati misurati e verifiche successive.
Fonti
- Big Pharma giant relies on Claude AI to predict whether expensive new clinical trials will succeed | TechRadar
- Early progress on accelerating drug development with Claude
- Advancing Claude in healthcare and the life sciences
